基于拉马克学习的多目标优化及应用

《基于拉马克学习的多目标优化及应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要Il摘要近些年来，多目标进化算法的研究逐渐成为进化计算研究领域的一个重要内容。拉马克学习理论，从文化进化的理论层次，提供了一种解决问题的新思路。当前，拉马克学习理论已被引入进化计算，能有效提高其局部搜索能力，逐步发展成为进化计算的新热点——密母计算，这为求解多目标优化问题提供了一条崭新的道路。本文首先回顾多目标优化的相关背景。随后，介绍多目标优化的基本概念和经典算法。在此基础上详细介绍非支配近邻免疫算法和拉马克理论。第三章中通过将拉马克学习和动态小生境技术引入非支配近邻免疫算法，构造了一种求解多目标问题的新方法一基于拉马克学习的非支

2、配近邻免疫算法。在算法运行后期加入局部搜索策略，不但加速算法的收敛，而且减少评价次数。小生境技术的引入提高种群多样性。第四章中通过将拉马克学习和切比雪夫分解方法引入非支配近邻免疫算法，构造了一种求解多目标问题的新方法一多目标拉马克免疫算法。在非支配近邻免疫算法的比例克隆后加入局部搜索策略，不但继承原算法的优势，而且弥补了不足。切比雪夫分解方法的引入提高局部搜索的效率。最后，我们将第四章的算法框架应用到组播路由路径选择问题中。通过仿真实验，验证了新方法相比于传统方法具有更好的解决组播路由问题的能力。本文的工作得到了国家自然科学基金(No．

3、60703107)和国家863高技术研究发展计划(No．2009AAl22210)的资助。关键词：多目标优化拉马克学习组播路由AbstractIIIAbs仃actNowadays，theresearchonmulti—objectiveoptimizationalgorithmhasbeenplayinganimportantroleintheareaofevolutionarycomputation．Lamarckianlearningtheoryprovidesanewideatosolvetheproblemfromthetheo

4、reticallevelofculturalevolution．Lamarckianlearninghasbeenintroducedintoevolutionarycomputationtoenhancetheabilityoflocalsearc札whichgraduallydevelopsintoanewhotspot-memeticcomputation,anewpathforsolvingmulti-objectiveoptimizationproblem．Thispaperfirstreviewsthecorrelative

5、backgroundofmulti-objectiveoptimization．Subsequently，wefocusonconceptsandclassicalgorithmsofmulti—objectiveoptimization．Onthebasisofabove，wedescribeNondominatedNeighborImmuneAlgorithm(NNIA)andLamarckiantheory．Inchapterthree，Lamarckianlearninganddynamicalnichingareintrodu

6、cedintoNNIA．Anovelmulti-objectiveoptimizationalgorithm，NondominatedNeighborImmuneAlgorithmbasedonLamarckianlearning(LNNIA)，isproposed．Themode，whichlocalsearchisaddedinthelatterpartofrun血Lg，Canaccelerateconvergenceofthealgorithmwhilereducingthenumberofevaluations．Theintro

7、ductionofnichetechnologyimprovesdiversityofpopulation．Inchapterfour,LarnarckianlearningandTchebycheffapproachareintroducedintoNNIA．Anovelhybridmulti-objectiveoptimizationalgorithm,Multi—objectiveLamarckianImmuneAlgorithm(MLIA)，isproposed．Thelocationoflocalsearchadded,whi

8、chisafterproportionalcloningofNNIA,notonlyinheritstheadvantagesoftheoriginalalgorithm，butalsocompensate